mnist手写数字识别代码

MNIST手写数字识别是深度学习中一个经典的问题，其目标是训练一个模型，使其能够正确识别手写数字图片。下面是一个基于Python和TensorFlow框架实现的简单代码示例：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 读取MNIST数据集
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 创建输入和输出占位符
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])

# 创建模型变量和模型
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 定义交叉熵损失函数和优化器
cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

# 创建Session并初始化变量
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()

# 训练模型
for _ in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

# 测试模型
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images,
                                    y_: mnist.test.labels}))

该代码使用了一个简单的单层神经网络模型，使用交叉熵损失函数和梯度下降优化器进行训练。在训练过程中，每次从训练集中随机选择100个样本进行训练，一共迭代了1000次。在测试时，使用测试集进行评估，并输出了模型的准确率。